Convolutional neural network based on temporal-spatial feature learning for motor imagery eeg signal decoding

基于运动想象脑电（EEG）的脑-机接口系统能够为用户提供更为自然、灵活的控制方式，已广泛应用到人机交互领域。然而，由于目前运动想象脑电的信噪比及空间分辨率较低，导致信号解码正确率较低。针对这一问题，本文提出一种基于时空特征学习卷积神经网络（TSCNN）的运动想象脑电解码方法。首先，针对经过带通滤波预处理的脑电信号，依次设计时间和空间维度上的卷积层，构造出运动想象脑电的时空特征；然后，利用2层二维卷积结构对脑电的时空特征进行抽象学习；最后，通过全连接层和Softmax层对TSCNN学习的抽象特征进行解码。利用公开数据集对该方法进行实验测试，结果表明，所提方法的平均解码精度达到80.09%，分别比经典的解码方法共空间模式（CSP）+支持向量机（SVM）和滤波器组CSP(FBCSP)+SVM提高了13.75%和10.99%，显著提升了运动想象脑电解码的可靠性。